2D数据集
- LSP
地址：http://sam.johnson.io/research/lsp.html
样本数：2k
关节点数：14
全身，单人 - FLIC
地址：https://bensapp.github.io/flic-dataset.html
样本数：2W
关节点个数：9
全身，单人 - MPII
地址：http://human-pose.mpi-inf.mpg.de/
样本数：25K
关节点个数：16
全身，单人/多人，40K people，410 human activities - MSCOCO
地址：http://cocodataset.org/#download
样本数：>= 30W
关节点个数：18
全身，多人，keypoints on 10W people - AI Challenge
地址：https://challenger.ai/competition/keypoint/subject
样本数：21W Training, 3W Validation, 3W Testing
关节点个数：14
全身，多人，38W people - PoseTrack
地址：https://www.posetrack.net/users/download.php
| 数据集 | 类型 | 关节点数 | 样本数/10^3 | 使用情况 |
|---|---|---|---|---|
| LSP | 单人 | 14 | 2 | 基本弃用 |
| FLIC | 单人 | 9 | 20 | 基本弃用 |
| MPII | 单人、多人 | 16 | 25 | 主流 |
| MSCOCO | 多人 | 17 | >300 | 主流 |
| AI Challenge | 多人 | 14 | 约=380 | 竞赛专用 |
| PoseTrack | 多人 | 15 | >20帧 | 多用于姿态追踪 |
3D数据集
- Human3.6M
地址：http://vision.imar.ro/human3.6m/description.php
样本数：360W 1，5，6，7，8 train； 9，11 test
3D，11 people - HumanEva
地址：http://humaneva.is.tue.mpg.de/ - Total Capture / CMU
地址：https://github.com/CMU-Perceptual-Computing-Lab/panoptic-toolbox
http://domedb.perception.cs.cmu.edu/dataset.html - JTA Dataset
地址：http://aimagelab.ing.unimore.it/jta
https://github.com/fabbrimatteo/JTA-Dataset - MPI-INF-3DHP
地址：http://gvv.mpi-inf.mpg.de/3dhp-dataset/
论文：Monocular 3D Human Pose Estimation In The Wild Using Improved CNN Supervision - SURREAL
地址：https://www.di.ens.fr/willow/research/surreal/data/ - 3DPW
地址： - UP-3D
地址：http://files.is.tuebingen.mpg.de/classner/up/
- DensePose COCO
地址：https://github.com/facebookresearch/DensePose
https://www.aiuai.cn/aifarm278.html
http://densepose.org/#dataset
| 数据集 | 采集场景 | 采集人数 | 样本数/10^4帧 | 采集人数 |
|---|---|---|---|---|
| Human3.6M | 室内 | 11 | 360 | 运动捕捉 |
| HumanEva | 室内 | 4 | 约=8 | 运动捕捉 |
| Total Capture | 室内 | 5 | 190 | 运动捕捉 |
| JTA Dataset | 虚拟场景 | >20 | 50 | 人工注释 |
| MPI-INF-3DHP | 合成场景 | 8 | >130 | 运动捕捉 、图像合成 |
| SURREAL | 合成场景 | 145 | 650 | 运动捕捉 、图像合成 |
| 3DPW | 室外 | 5 | >5 | 运动捕捉 |
| UP-3D | 图像采集 | 图像采集 | 约=0.7(10^4幅) | 人工注释 |
| DensePose COCO | 图像采集 | 图像采集 | 5(10^4幅) | 人工注释 |
PS：在数据处理阶段，3D比2D复杂很多。2D人体姿态识别在dataset和model方面都比3D成熟，2Dmodel也有很多户外，自然界的dataset，但是3D的dataset几乎都是indoor的。因为3D标注、识别的复杂，所以需要大量的传感器，摄像头去采集数据。
姿态估计等数据集收集整理：检测与姿态估计的评价标准、开源数据集、COCO和MPII的认识、COCO数据集的标注格式
参考链接：
【人体姿态估计】资料整理
人体姿态估计综述
人体姿态估计数据集整理
3D人体姿态识别数据集
人体姿态估计（人体关键点检测）分类与经典方法分析
获取Human 3.6M 3D人体姿态数据集
基于深度学习的人体姿态估计方法综述-邓益侬；罗健欣；金凤林
